多卡部署 Qwen-VL 大模型：vLLM 通信瓶颈与 llama.cpp 实践

结果遇到了以下现象：

1. 初始化阶段：vLLM 成功加载模型权重，显存占用正常上升，甚至直接到快到 100% 就卡死了（直接超时或不动）。
2. 推理阶段：发送第一条 Prompt，后台日志显示正在进行 NCCL 通信初始化。
3. 死锁：GPU 使用率忽高忽低，最终降为 0，程序长时间无响应，最后抛出 NCCL 错误。

这显然不是显存不足（OOM），而是通信堵塞。

1.3 换成 Ollama 继续实验，成功。

随后，使用 Ollama 加载 GGUF 格式（自己下载的高精度的 FP16）模型，默认都是 q4 的，可以去官网找列表参数。脚本 ollama_start.sh 如下：

#!/bin/bash
echo "###########start llm by ollama...##########"
export CUDA_VISIBLE_DEVICES=0,1,2,3
export OLLAMA_NUM_PARALLEL=10
nohup ollama run qwen3-vl-32b-instruct-bf16:latest >/ollama_models/logs/qwen3vl_32.log 2>&1 &
echo "Models started in background. Check logs in /ollama_models/logs/"

• 结果：一次点亮。非常稳定，没有卡顿，每秒有 50 个 token 的样子。

为什么？难道 vLLM 的技术反而不如 llama.cpp 吗？后面仔细分析了背后的根本原因，在于两者对'并行'的方式完全不同。

第二部分：深度解析 vLLM 在弱通信环境下不好用

vLLM 之所以快，是因为它追求极致的计算密度；而它之所以挂，是因为它默认采用了 张量并行（Tensor Parallelism, TP）。

2.1 什么是张量并行（TP）？

为了讲清楚这个问题，我们把大模型想象成一个巨大的矩阵乘法工厂。 假设我们要计算 Y=X×W。

在 TP 模式下，vLLM 是这样分配工作的：

• 它把巨大的权重矩阵 W，竖着切成 4 份（W1,W2,W3,W4），分别放在 4 张 A30 卡上。
• 当输入 X 进来时，4 张卡同时计算 X×W1，X×W2……
• 关键点来了：要得到最终结果 Y，必须把 4 张卡算出来的部分结果加在一起（All-Reduce）。

2.2 致命的 All-Reduce 通信风暴

大模型（Transformer 架构）通常有几十层（Qwen-32B 可能有 60-80 层）。 在 vLLM 的 TP 模式下：

• 每一层计算完，都必须进行一次全员通信同步。
• 每生成一个 Token，模型就要跑完所有层。

计算公式： 通信次数 = 层数 × 生成的 Token 数量

假设模型有 80 层，你要生成 100 个字。那么显卡之间需要进行 80×100=8000 次通信！

2.3 A30 的用 vlm 跑多卡数据路径

在没有 NVLink 支持，且 PCIe 可能不支持 P2P（Peer-to-Peer）直接访问的环境下，这 8000 次通信是怎么走的？

• 路径：GPU A -> PCIe -> CPU 内存 -> PCIe -> GPU B
• 后果：
  1. 延迟爆炸：每次绕道 CPU 内存，延迟都会增加。在每秒几十次的高频同步下，延迟被放大成无法忍受的卡顿。
  2. 带宽瓶颈：PCIe Gen4 x16 的带宽（~32GB/s）远低于显卡内部显存带宽。
  3. NCCL 崩溃：vLLM 依赖的 NCCL 库在检测到这种恶劣的拓扑环境时，往往会因为同步超时而直接挂起（Hang）。

结论：vLLM 是一辆为高速公路（NVLink）设计的法拉利，你把它开进了泥泞的沼泽地（无 P2P 的 PCIe），它不仅跑不快，还会陷进去。

第三部分：Ollama (llama.cpp) 的玩法

Ollama 能跑通，并非因为它有什么黑科技，而是因为它默认采用了更适合低带宽环境的策略：流水线并行（Pipeline Parallelism） 或简单的 层级切分（Layer Split）。

3.1 不同的切分逻辑：切蛋糕 vs 切千层饼

如果说 vLLM 是把每一层蛋糕切成 4 块分给 4 个人吃（TP），那么 llama.cpp 就是把一个 80 层的千层饼，拆成 4 份，每人拿 20 层（PP）。

• GPU 1：负责第 1-20 层。
• GPU 2：负责第 21-40 层。
• GPU 3：负责第 41-60 层。
• GPU 4：负责第 61-80 层。

3.2 通信频率的降维打击

在这种模式下，数据是怎么流动的？

1. GPU 1 算完前 20 层，把结果（仅是一个很小的 Activation Tensor）发给 GPU 2。
2. GPU 1 休息（或者处理下一个请求）。
3. GPU 2 接力继续算。

通信对比：

• vLLM (TP)：每生成 1 个 token，通信 80 次。
• Ollama (PP)：每生成 1 个 token，通信 3 次（1->2, 2->3, 3->4）。

这就是成功的关键：Ollama 将通信频率降低了几个数量级！即使走慢速的 PCIe 总线，这几次数据传输的耗时也是微秒级的，对整体推理速度几乎没有影响。

3.3 GGUF 格式的助攻

虽然我是为了跑满血版，但 llama.cpp 生态下的 GGUF 格式（即使是 F16）天生对这种层级切分支持得更好。llama.cpp 的 --split-mode layer 参数正是为此而生，它明确告诉程序：'不要搞复杂的张量拆分，简单粗暴地按层分就好。'

第四部分：实践中优先使用了工具 GPUStack，也印证了这点。

在这次折腾中，我也尝试了 GPUStack 这个非常好用的管理工具，但也失败了。通过分析日志，我发现了其中的生态依赖链问题。

1. 默认走 vLLM：GPUStack 为了追求性能，检测到 NVIDIA 显卡时，默认首选 vLLM 后端。这直接触发了上述的'TP 通信死锁'问题。
2. 版本滞后：Qwen2-VL 是非常新的模型，引入了特殊的视觉编码器架构。社区版的 llama.cpp 更新极快（甚至按小时更新），但 GPUStack 内部集成的 llama-box 可能还停留在旧版本，无法解析新模型的 Vision Projector，导致报错'架构不支持'。

在开源大模型领域，工具链的更新速度往往追不上模型迭代的速度。 手动编译最新版往往比集成工具更可靠。

第五部分：给技术人的避坑指南与架构建议

经过这次'显卡 A30 实战'，我总结出了一套针对多卡推理的决策逻辑，分享给大家。

5.1 目前能用 VLLM 就不用 Ollama

• 有 NVLink 吗？
  • YES -> vLLM (开启 TP，享受极致速度)。
  • NO -> 继续看下一步。
• 是单机多卡 PCIe 吗？支持 P2P 吗？
  • YES (如 4x 4090 插在 PLX Switch 上) -> 可以尝试 vLLM，但要做好降速准备；或者 SGLang。
  • NO (如 A30/A40 分布在不同 CPU Socket) -> 绝对避坑 vLLM TP 模式。

5.2 弱通信环境下的生存法则

如果在没有 NVLink 的机器上（如 A30, 3090, 4090 多卡）部署大模型：

1. 首选 llama.cpp / Ollama： 利用其天然的层级切分（Layer Split）优势。虽然单 Batch 延迟可能略高，但稳定性无敌。
2. 拥抱 GGUF 量化： 既然带宽是瓶颈，减小模型体积就是最大的优化。Q4_K_M 量化版的模型，权重体积减半，不仅加载快，而且在某些极端情况下，甚至能塞进 2 张卡里，进一步减少通信需求。

强制 vLLM 走流水线并行（高阶玩法）： vLLM 最新版本开始实验性支持 Pipeline Parallelism (PP)。你可以尝试以下配置来'模拟'llama.cpp 的行为：

# 告诉 vLLM 不要切分张量，而是切分层
vllm serve Qwen/Qwen3-32B-VL-Instruct \
 --tensor-parallel-size 1 \
 --pipeline-parallel-size 4

*注：vLLM 的 PP 支持目前尚不成熟，可能会有显存分配不均的问题。

结语

这次 A30 部署 Qwen-VL 的经历，是让显存不足的用户，能充分利用多机多卡，实现大模型自由。

• vLLM 像是一支训练有素的足球队，需要队员之间时刻眼神交流（高频通信），配合无间。一旦场地太大（带宽低）喊话听不见，配合就乱了。
• Ollama 像是一条工业流水线，大家各司其职，做完手里的活儿传给下一个人。虽然流程长了点，但对'沟通'的要求最低。